移动计算环境下的数据挖掘研究

移动互联网正在给信息产业带来一场深刻的变革,移动计算将成为主流计算环境。数据挖掘技术已经成为一种将巨大数据资源转换成有用知识和信息资源,帮助我们进行科学决策的有效工具。本文分析了移动计算环境下数据挖掘技术的发展,包括发展方向和关键技术;给出了移动计算环境下的数据挖掘系统的模型和实现流程;提出了移动车辆数据流实时监视与挖掘系统的实现方案。基于移动计算的数据挖掘有效地解决了对异构数据库和全球信息系统的信息挖掘问题,它必将在新一轮的技术竞争中成为持续发展的增长点。     

移动计算环境下的数据挖掘研究

移动互联网正在给信息产业带来一场深刻的变革,移动计算将成为主流计算环境.数据挖掘技术已经成为一种将巨大数据资源转换成有用知识和信息资源,帮助我们进行科学决策的有效工具.本文分析了移动计算环境下数据挖掘技术的发展,包括发展方向和关键技术;给出了移动计算环境下的数据挖掘系统的模型和实现流程;提出了移动车辆数据流实时监视与挖掘系统的实现方案.基于移动计算的数据挖掘有效地解决了对异构数据库和全球信息系统的信息挖掘问题,它必将在新一轮的技术竞争中成为持续发展的增长点.     

基于复杂网络数据流密度的增量子空间数据挖掘算法

为了提升在复杂网络中对大规模网络数据流进行挖掘时的准确性,提出一种基于复杂网络数据流密度的增量子空间数据挖掘算法,在算法中先对复杂网络的数据流密度进行分析,并根据不同网络的数据流密度来划分社区,进行无向环路遍历来确定数据流的所属社区.再通过增量子空间数据挖掘算法来计算社区网络与数据流的相关度以及数据流所经过的节点与时间的相关系数,从而准确确定目标数据流所处的节点.通过仿真实验结果和数据分析表明,增量子空间数据挖掘算法的数据挖掘精度在节点、社区数较多的情况下仍达到了较高的挖掘精度.     

实现动态数据流分布式挖掘的网格平台模型

围绕挖掘动态数据流频繁模式问题，详细讨论数据流管理模型和挖掘技术；设计兼容网格基础结构、支持多种挖掘策略的数据挖掘网格平台；发展伺机挖掘思想，根据局部数据流片段的特性不断地调整存储结构和变换搜索方式，解决效率与空间的矛盾，提高微观效率；应用网格技术有效地利用计算资源进行分布式挖掘，提高宏观效率。     

数据流挖掘技术研究

在当今的网络监控、电信数据管理、传感器数据监控等应用中，数据采取的是多维的、连续的、快速的、随时间变化的流式数据的形式，对数据的访问也是多次和连续的，并要求即时的响应。数据流独特的特点，对传统数据的处理方法带来很大的挑战。数据流应用的出现，带动了相关技术的研究，其中包括数据流挖掘的研究。文中介绍了数据流的基本概念，讨论了数据流挖掘的研究现状及相关技术，包括数据流的介绍、流行的数据流处理技术和数据挖掘中的相关算法。     

分布式数据挖掘的集成体系结构研究

分析了分布式挖掘实现中的一些难点,并引入移动Agent来设计了一个分布式数据挖掘系统的体系结构,最后分析了分布式数据挖掘亟待解决的问题。     

数据流挖掘技术研究

在当今的网络监控、电信数据管理、传感器数据监控等应用中,数据采取的是多维的、连续的、快速的、随时间变化的流式数据的形式,对数据的访问也是多次和连续的,并要求即时的响应.数据流独特的特点,对传统数据的处理方法带来很大的挑战.数据流应用的出现,带动了相关技术的研究,其中包括数据流挖掘的研究.文中介绍了数据流的基本概 念,讨论了数据流挖掘的研究现状及相关技术,包括数据流的介绍、流行的数据流处理技术和数据挖掘中的相关算法.     

一种高效的离线数据流频繁模式挖掘算法

数据流频繁模式挖掘是当前数据挖掘领域中的研究热点之一,数据流连续性、无序性、无界性及实时性的特点为挖掘算法在时间及空间性能方面提出了更高的要求.数据流中模式频度的震荡现象,迫使现有算法对概要数据结构频繁维护,致使其时间、空间效率均受到较大影响.构造了具备较高空间性能的概要数据结构SP-tree,同时定义了震荡性因子χ以量化震荡信息,提出了一种高效的离线数据流频繁模式挖掘算法SPDS,有效降低了数据震荡对算法性能的影响;在处理新到数据集时,算法采取分而治之的分离映射策略,进一步提升了时间效率;同时在查询结果方面提高了部分模式的计数精度.     

数据挖掘技术在移动通信网络优化中的应用

本文针对移动网络优化过程复杂、任务繁杂的特点,提出了利用数据挖掘技术来优化网络的方案。在对数据挖掘进行了深入的分析的基础上,重点对移动网络覆盖分析,移动站点选择,通信话务预测,信号干扰分析,通信掉话分析和切换分析等六个方面的网络优化问题的数据挖掘方案进行了设计。最后,对数据挖掘在GSM掉话分析中的应用进行了详细说明。     

基于数据挖掘的移动客户流失分析系统

客户流失是竞争日益激烈的市场中移动公司面临的一大难题。"移动客户流失分析系统"在数据挖掘的基础上,实现了客户流失模型的管理应用,其中关键的环节是通过流失客户的预测和分析,辅助市场经营人员制订相应的策略。文中介绍了决策树和聚类两种数据挖掘算法在该过程中的应用,并对得到的结果进行了说明和分析。实践证明,该系统提供的信息能够科学地帮助移动公司解决客户流失的问题。     

数据流管理和挖掘技术探析

数据流管理和挖掘技术是数据库领域的新研究方向之一。概述了数据库技术的发展趋势以及数据流的概念、特点、体系结构、应用领域,分析了数据流概要数据结构的构造问题和数据流的连续近似查询技术,最后介绍了数据流挖掘技术。旨在描述数据流管理和挖掘技术的发展概况,为进一步的研究提供有益的借鉴。     

概念漂移数据流挖掘算法综述

数据流是一种新型的数据模型,具有动态、无限、高维、有序、高速和变化等特性。在真实的数据流环境中,一些数据分布是随着时间改变的,即具有概念漂移特征,称为可变数据流或概念漂移数据流。因此处理数据流模型的方法需要处理时空约束和自适应调整概念变化。对概念漂移问题和概念漂移数据流分类、聚类和模式挖掘等内容进行综述。首先介绍概念漂移的类型和常用概念改变检测方法。为了解决概念漂移问题,数据流挖掘中常使用滑动窗口模型对新近事务进行处理。数据流分类常用的模型包括单分类模型和集成分类模型,常用的方法包括决策树、分类关联规则等。数据流聚类方式通常包括基于k- means的和非基于k- means的。模式挖掘可以为分类、聚类和关联规则等提供有用信息。概念漂移数据流中的模式包括频繁模式、序列模式、episode、模式树、模式图和高效用模式等。最后详细介绍其中的频繁模式挖掘算法和高效用模式挖掘算法。     

面向移动环境的时空数据挖掘研究现状与展望

移动通信与无线定位技术的迅速发展导致了大量时空数据的产生,面向移动环境的时空数据挖掘的目标就是从这些数据中抽取知识,为基于位置的服务、智能交通系统等提供有效的决策支持。文章分别从时空数据挖掘的理论基础研究和相关应用研究的现状、重点解决的问题以及进展情况展开论述,并展望了未来的发展方向。     

基于灰关联分析的多数据流聚类

作为当前数据流挖掘研究的热点之一,多数据流聚类要求在跟踪多个数据流随时间演化的同时按其相似程度进行划分。文中提出一种基于灰关联分析并结合近邻传播聚类的多数据流聚类方法。该方法基于一种灰关联度,将多个数据流的原始数据压缩成可增量更新的灰关联概要信息,并根据该信息计算多个数据流之间的灰关联度作为其相似性测度,最后应用近邻传播聚类算法生成聚类结果。在真实数据集上的对比实验证明该方法的有效性。     

Web日志挖掘数据预处理研究

随着WWW的广泛应用及相应的Web技术的出现,数据挖掘的研究也进入了一个新的阶段。Web日志挖掘是Web数据挖掘研究领域中一个最重要的应用方面,而数据预处理在Web日志挖掘过程中起着至关重要的作用。Web日志挖掘就是运用数据挖掘的思想来对服务器日志进行分析处理。本文针对基于日志的数据挖掘,提出了前期的几种数据预处理方法,目的是分割服务器日志为多个独一无二的用户的一次访问序列,并给予了算法实现。     

一种新的演化文本流聚类算法

数据流的聚类作为聚类的一个分支,已经成为了数据挖掘的研究热点。虽然已经有不少数据流算法出现,但是大部分都是针对低维的数值型数据,很少有高维文本流的研究。本文在传统的数据流聚类框架基础上,提出了一种新的文本微聚类结构体,它更适合文本聚类,同时还将在线微聚类分为潜在微聚类和异常微聚类,提高了对孤立点的适应能力。实验表明该算法相对于其他文本流聚类算法更有效。     

新一代数据挖掘语言分析及应用*

关系查询语言的标准化为关系系统的开发奠定了基础,同样好的数据挖掘查询语言也必将有助于挖掘系统平台的标准化。由于数据挖掘覆盖了广泛的分析任务,而且每个任务又具有各自不同的需求,因而开发、设计完善的数据挖掘语言具有非常重要的意义。介绍了新一代数据挖掘语言及应用状况,标准化的数据挖掘工具将使客户从降低成本和投资、方便使用中受益,也将使数据挖掘成为企业决策系统中不可或缺的一部分。     

基于Web的数据挖掘技术

基于Web数据挖掘是一个结合了数据挖掘和WWW的热门研究主题.本文综述了基于Web的数据挖掘技术,介绍了Web数据挖掘目前最流行的分类:Web内容挖掘、Web结构挖掘和Web访问挖掘,根据Web数据挖掘的最近研究现状,小结了几个研究热点.由于Web数据所具有的半结构化特性,使得Web数据挖掘更为复杂,不同于传统的基于数据库的数据挖掘.最后介绍一种全新的技术XML,XML的出现为解决Web数据挖掘的难题带来了机会.Web数据挖掘的研究具有极大的挑战性,同时又具有极大的开发潜力.     

数据挖掘软件现状研究

数据挖掘是当前计算机应用的一个热点研究方向。经过近十年的发展,数据挖掘软件得到了长足的进步,许多成熟的数据挖掘软件被开发出来并投入实用。文章对当前数据挖掘软件的现状进行了研究,并着重分析了四种常用的数据挖掘软件。通过该文的研究指出了当前数据挖掘软件的成果和不足,并进一步指明了今后发展的方向。     

数据流频繁模式挖掘研究进展

现实世界和工程实践产生了大量的数据流,这种数据不同于传统的静态数据,对其进行有效处理和挖掘遇到了极大的挑战.如何使用有限存储空间进行快速和近似的频繁模式挖掘是数据流挖掘的基本问题,具有非常重要的研究价值和实践意义,已经引起了国内外研究者的广泛关注.本文深入分析数据流中的频繁模式挖掘,对其特点和算法进行较为全面的总结和分类论述,并讨论了存在的主要问题和未来的研究方向.